PDF OCRを使用したテキスト抽出アプローチ

Question

OCRライブラリとJavaを使用してPDFからテキストを抽出しようとした人はいますか？テキスト抽出のための最も信頼性の高いライブラリは何でしたか？私が見たアプローチ（tesseract、GOCR）のほとんどは、いくつかのJNIコードを書く必要があるCライブラリです。

私はpdfboxをよく知っています。これは現在バージョン0.8.xのApacheインキュベータープロジェクトですが、テキスト抽出は必ずしも正確ではありません。私はもう少し信頼性の高い代替アプローチを探しています。

私はまだAsprise JavaPDFを試していませんが、それを試していますが、可能であればOCRのアプローチについてもっと知りたいと思っていました。

ご協力いただければ幸いです。

Answer 1

テキストベースのPDFからOCRを抽出する場合は、最初に画像に変換する必要があります。

Answer 2

テキストベースのPDFをお持ちの場合は、PDFTextStreamを強くお勧めします。無料ではありませんが、ライセンスは妥当で、PDFBoxよりはるかに優れています。 PDFBoxは新しいツールで生成された多くのPDFファイルを突き詰め、処理できるPDFについて一貫性がありません。 PDFTextStreamは、PDFBoxには埋め込まれていないPNG画像を含むPDFを含む、それにスローするすべてのPDFを処理します。

OCRを追加するためにPDFTextStreamのメンバーを聴くと、彼らは聞くかもしれません。

Answer 3

Tesseract-tesjeractまたはTess4JのJavaラッパーを使用してOCRを実行できます。ただし、PDFの場合は、イメージ（PNGまたはTIFF）に変換してからOCRエンジンに供給する必要があります。

VietOCRは、テキスト抽出を実行するためのTesseract実行可能ファイルを呼び出します。 GhostScriptを使用してPDFから画像への変換を行います。

Answer 4

ABBYY FineReader Engine 11を使用しています。これらにはJavaラッパーがあります。

長所：

• これは、すべての言語（英語、ロシア語、ウズベクなど）を備えた素晴らしい作品と現実のOCRを（あなたがOCRなしでPDFファイルを持っている場合でも、彼らは最初とOCRingでレンダリングを行う）こと。

短所：

• ITコスト。開発者ライセンスとエンドユーザーライセンスを購入する必要があります。

• そしてそれは非常に遅いです。